یک روش ابتکاری در توسعهی ساختارهای شبکهای دو مرحلهای
محورهای موضوعی : آماررضا احمدزاده 1 , سهراب کردرستمی 2 * , علیرضا امیرتیموری 3
1 - دانشجوی دکتری، گروه ریاضی، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
2 - استاد، گروه ریاضی، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
3 - استاد، گروه ریاضی کاربردی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
کلید واژه:
چکیده مقاله :
تحلیل پوششی دادهها (DEA) یک روش غیر پارامتری برای اندازهگیری عملکرد نسبی واحدهای تصمیمگیرنده میباشد. در مدلهای متداول و مرسوم DEA هریک از واحدهای تصمیمگیرنده بهعنوان یک جعبهی سیاه در نظر گرفته می شوند که با دریافت تعدادی ورودی، تعدادی خروجی را تولید میکنند و ساختار درونی آنها نادیده گرفته میشود. در سالهای اخیر بخش وسیعی از مطالعات صورت گرفته در این زمینه توجه خود را به DMUهایی با ساختارهای درونی شبکهای معطوف نمودهاند و ضمن دستهبندی و معرفی برخی از ساختارهای شبکهای مدلهایی را برای ارزیابی کارایی آنها ارائه کردهاند. هدف اصلی در این مقاله توسعهی یک مدل جدید به منظور ارزیابی کارایی یک ساختار شبکهای دو مرحلهای برای اندازهگیری عملکرد واحدهای تصمیمگیرنده (DMUs) میباشد. علاوه براین در این مقاله کار لی و همکارانش در سال 2012 را با بهبود روش جستجوی ابتکاری برای تخمین جوابهای بهینهی مدلهای متمرکز غیرخطی بسط میدهیم. به منظور ارزیابی مدل پیشنهادی در این مطالعه، روش اصلاح شده را رویفرایند R&D منطقهای مربوط به 30 منطقه در سطح یک استان در کشور چین مورد بررسی قرار میدهیم. نتایج و مقایسهها نشان میدهند که روش پیشنهاد شده روشی کاراست و پیچیدگی محاسباتی بسیار کمتری نسبت به روشهای دیگر دارد.
Data Envelopment Analysis (DEA) as a non–parametric method is used to measure relative performance of organizational units. The aim of this paper is to develop a new model to evaluate the efficiency of a general two-stage network structures proposed by Li et al. (2012) for measuring the performance of Decision Making Units (DMUs). In addition, this paper expands the work of Li et al. (2012) and improves the heuristic search procedure to estimate the optimal solutions of non-linear centralized models. In order to evaluate the proposed model of this study, it has been applied to a case of regional Research and Development (R&D) system related to 30 provincial level regions in China. The experimental results compared with method developed by Li et al. (2012) show that the proposed method is efficient and has much lower computational complexity.